• Нейронные модели общей циркуляции предлагают точные прогнозы погоды и климата, превосходя традиционные GCM и модели машинного обучения.
• Обеспечивает значительную экономию вычислительных ресурсов за счет работы с более грубым разрешением при сохранении высокой точности.
• Демонстрирует реалистичное долгосрочное поведение климата, включая отслеживание тропических циклонов и сезонных циклов.

Исследовательская группа Google представила нейронные модели общей циркуляции — революционную гибридную модель общей циркуляции (GCM), которая объединяет традиционные физические методы с передовыми компонентами машинного обучения. Эта новаторская статья, опубликованная в журнале Nature, демонстрирует способность NeuralGCM повышать точность прогнозирования погоды и климата, превосходя по производительности как традиционные GCM, так и автономные модели машинного обучения.

Модели общей циркуляции (МОЦ) на протяжении десятилетий были краеугольным камнем прогнозирования погоды и климата, постоянно совершенствуясь с помощью более совершенных численных методов и более быстрых вычислительных мощностей. Несмотря на эти улучшения, МОЦ по-прежнему сталкиваются с постоянными предубеждениями и ошибками. Neural General Circulation Models устраняет эти ограничения, интегрируя дифференцируемый решатель для динамики атмосферы с модулями машинного обучения, обеспечивая точные прогнозы погоды на 1–15 дней и реалистичные прогнозы климата на десятилетия.

Существенным преимуществом нейронных моделей общего кровообращения является их вычислительная эффективность. Работая с разрешением в восемь-сорок раз более грубым, чем у современных моделей, он обеспечивает существенную экономию вычислительных ресурсов. Эта эффективность облегчает обширное ансамблевое прогнозирование, которое ранее было непрактичной задачей из-за вычислительных ограничений.

Neural General Circulation Models превосходно моделирует различные климатические явления, от тропических циклонов до сезонных циклов. Например, он успешно отслеживает траектории и частоту тропических циклонов, что является критически важной возможностью для долгосрочного моделирования климата. Модель также отражает сезонную изменчивость глобальной средней температуры, тесно согласуясь с историческими данными ERA5.

Производительность нейронных моделей общей циркуляции сравнивалась с ведущими погодными моделями, такими как ECMWF-HRES, и моделями машинного обучения, такими как GraphCast. Оценка показала, что нейронные модели общей циркуляции не только соответствуют, но и часто превосходят точность этих моделей в среднесрочном прогнозировании погоды. Например, во время урагана Лаура прогнозы NeuralGCM были менее размытыми и более физически последовательными, чем прогнозы чисто моделей машинного обучения.

Дмитрий Кочков сказал: "Интеграция NeuralGCM машинного обучения с традиционными физическими методами знаменует собой значительный скачок в точности и эффективности прогнозирования погоды и климата.

Джейми Смит добавил "Наши результаты показывают, что NeuralGCM может обеспечить реалистичное долгосрочное моделирование климата, что является важным шагом для понимания и прогнозирования системы Земли.

Связанные статьи: AWS, Google, Meta, Microsoft и другие призывают поставщиков принять меры по декарбонизации цифровой инфраструктуры с помощью EPD

Гибкая архитектура NeuralGCM позволяет использовать более совершенные численные методы и методы машинного обучения. Будущие разработки могут включать в себя соединение с другими компонентами системы Земли и улучшение процессов усвоения данных для еще большей точности прогнозов. Этот гибридный подход обещает совершить революцию в моделировании в различных научных областях, от открытия материалов до мультифизического инженерного проектирования.

Публикация «Нейронные модели общей циркуляции для погоды и климата«in Nature» знаменует собой преобразующий шаг в науке о погоде и климате, объединяющий сильные стороны машинного обучения с традиционными физическими моделями для обеспечения точных, эффективных и реалистичных прогнозов.